Mašinsko učenje

(dostupan od 1.6.2026.)

Jedini kurs za polaganje Mašinskog učenja na FON-u — snima se prema aktuelnom programu za školsku 2025/26 godinu i obuhvata kompletan proces rada sa podacima i ML modelima. Kroz Python i praktične primere prolazimo klasifikaciju, regresiju, klasterovanje, neuronske mreže, evaluaciju modela i savremene AI algoritme — sve što je potrebno za sigurno razumevanje gradiva i uspešno polaganje ispita.

  • Predznanje nije potrebnoPredznanje nije potrebnoKurs počinje uvodom u Python i rad sa bibliotekama koje koristimo tokom semestra.
  • Osnove mašinskog učenjaOsnove mašinskog učenjaKompletan uvod u ML algoritme i proces rada sa podacima.
  • Klasifikacija i regresijaKlasifikacija i regresijaKNN, logistička i linearna regresija, stabla odlučivanja.
  • Ansambl algoritmiAnsambl algoritmiRandom Forest, boosting i evaluacija modela.
  • KlasterovanjeKlasterovanjeK-Means i hijerarhijsko grupisanje podataka.
  • Neuronske mreže i AINeuronske mreže i AIUvod u neuronske mreže i moderne AI pristupe.
Prijavi se Šta prelazimo

Šta prelazimo na kursu

Kurs pokriva kompletno gradivo koje dolazi na kolokvijumima i ispitu.

1. Uvod u Python za mašinsko učenje

Kratak uvod u Python, rad sa bibliotekama i osnovna obrada podataka.

  • Python osnove
  • NumPy i Pandas
  • Rad sa datasetovima
  • Priprema podataka

2. Osnove mašinskog učenja

Uvod u mašinsko učenje, evaluaciju modela i osnovne ML koncepte.

  • Uvod u ML
  • Overfitting
  • Evaluacija modela
  • Matematičke osnove

3. Klasifikacija i regresija

Najvažniji algoritmi koji dolaze na zadacima i teoriji.

  • KNN algoritam
  • Logistička regresija
  • Stabla odlučivanja
  • Naive Bayes

4. Ansambl algoritmi

Napredni pristupi za poboljšanje performansi modela.

  • Random Forest
  • Boosting
  • Confusion matrix
  • ROC/AUC

5. Klasterovanje

Grupisanje podataka i analiza klastera kroz praktične primere.

  • K-Means
  • Hijerarhijsko klasterovanje
  • Silhouette score
  • Interpretacija klastera

6. Neuronske mreže i AI

Uvod u neuronske mreže i savremene AI algoritme.

  • Neuronske mreže
  • Bayesove mreže
  • Analiza teksta i slika
  • Preporučivački sistemi

Način polaganja 2025/26

Polaganje putem kolokvijuma

Predmet može da se polaže kroz dva kolokvijuma na računarima u Pythonu. Svaki kolokvijum nosi po 30 poena, ukupno 60 poena. Nakon položenih kolokvijuma polaže se usmeni test koji nosi do 40 poena.

Klasičan način polaganja

Studenti koji ne polažu preko kolokvijuma polažu klasičan pismeni ispit koji nosi do 60 poena i klasičan usmeni ispit koji nosi do 40 poena.

Dodatna pojašnjenja

Prvi kolokvijum mora biti položen da bi student mogao da izađe na drugi kolokvijum. Ukoliko student ne položi bilo prvi, bilo drugi kolokvijum, upućuje se na klasičan pismeni deo ispita. Položeni kolokvijumi se računaju kao položen pismeni deo ispita.

Paketi učenja


Kurs Mašinsko učenje

Kurs će biti dostupan od 1.6.2026.

Prednosti našeg kursa

Napravljen od strane kolega koji su već prošli ispit

Nema prazne teorije. Znaš tačno šta te čeka, gde su cake, kako izgleda ispit i koje zadatke najčešće ponavljaju.

Tu smo za pitanja

Pišeš nam kad zapneš — kratko objašnjenje, debug ili savet. Odgovor stiže brzo, da ne gubiš ritam.

Besplatne online konsultacije

Rezervišeš termin i zajedno prelazimo zadatak. Objašnjenje je prilagođeno tebi — nema glupih pitanja.

Tu smo kad postane teško

Biće dana kad nije lako. I to je normalno. Tu smo da te podignemo, vratimo fokus i podsetimo da možeš mnogo više nego što misliš.

Pravi rokovi od prvog dana

Učimo na zadacima koji zaista dolaze na ispitu. Od starta ste na pravom nivou težine.

Tempo i materijal prilagođeni studentima

Sve je organizovano po težini, kratko i jasno. Bez viška teorije. Svaki korak ima smisao.